简介面向APICS供应链管理认证人员的CPIM-BSP供应链管理基础模拟题资料聚焦生产计划、库存控制、平准化生产、安灯系统、MTS环境、预测方法等核心考点适合正在冲刺CPIM-BSP认证考试、需要大量刷题并快速弄清易混概念的考生。压缩包提供一个docx文档容量约72KB可在电脑或移动端阅读、打印或导入笔记软件标记错题使用非常轻便。目前已有549人学习浏览内容实用性较强。资料按试题形式逐题给出正确答案和解析节选题目涉及tact time周期时间、WIP库存、andon电子看板、heijunka水平生产、make-to-stock主计划层级、经济条件对需求的影响、order qualifier及简单移动平均法等高频知识点能帮助考生熟悉APICS英文题干表述通过对照解析巩固供应链管理核心术语。借助这份轻量习题集读者可在考前系统检验掌握程度复盘薄弱环节以更贴近实际考情的方式完成最后冲刺题量虽不大但覆盖关键主题适合利用碎片时间反复自测。1. 一张 BSP 试卷背后的供应链决策框架CPIM-BSP 这 45 道题表面上是库存管理认证的入门考题实际上覆盖了供应链计划里最容易被忽视的决策分界需求管理、生产策略、物料清单与产能校验四层逻辑。做过几年计划的人回头看这些题往往会发现日常踩坑——比如把 tact time 当成节拍时间、把 MTS 环境下主生产计划层级搞混或者在预测误差计算时忽略 tracking signal 的累积效应。这份题库的真正价值不在背诵正确答案而在于帮你把“需求→计划→执行”这条链路上的概念重新钉牢。适合正在备考 CPIM 第一部分、以及刚接手供应链计划岗位的从业者也适合想系统梳理预测与库存控制术语的制造工程师。2. 需求来源与预测方法先判断数据性质再选算法2.1 独立需求与从属需求的判定边界BSP 考试反复在问一个问题哪些需求必须预测哪些需求必须计算。独立需求independent demand来自客户订单或市场无法通过上层物料结构推导只能用预测从属需求dependent demand由父项物料清单展开得到属于 MRP 计算范畴。考题 Q9、Q17 就是在考这条边界成品客户订单是独立需求源而子装配件、原材料需求则是 MRP 爆炸后的从属结果。实际业务里最常见的错误是对从属需求也做了统计预测导致重复计算库存。记住一个判断口诀如果该需求能被 BOM 结构推导出来就不该进预测模型。# 判断需求类型的关键特征伪代码逻辑 def demand_type(item): if item.bom_has_parent(): return dependent # 由父项计划订单展开而来 else: return independent # 客户订单或市场预测这段逻辑的意义在于独立需求项需要设置预测模型和 safety stock而从属需求项只需跟随 MRP 计划订单。很多企业的预测团队把成品和原材料混在一起预测结果原材料库存虚高。参数上预测只应作用于顶层成品、服务备件和分销中心需求BOM 中间层一律交给 MRP 时界内的计划逻辑。2.2 移动平均、指数平滑与趋势模式识别考题 Q8 要求用三期移动平均预测第 34 期Q21 提到指数平滑可以减少历史数据存储量Q22 考察 5 年纸尿裤需求下降属于趋势而非季节性。这些题背后是预测方法的适用边界移动平均适合平稳序列指数平滑适合数据量有限且需要快速响应的场景而趋势型数据必须使用 Holt 线性模型或带趋势的平滑方法否则预测永远滞后。import numpy as np def moving_average_forecast(series, window3): return np.mean(series[-window:]) demand [300, 315, 330, 310, 325, 340] # 最近6期实际需求 forecast moving_average_forecast(demand, 3) print(f下一期预测值: {forecast:.1f})这里窗宽 window 是唯一需要调参的地方。窗宽越大平滑效果越强但对变化响应越慢窗宽越小越能捕捉近期波动但噪声也越大。三期是 BSP 考题的默认窗口实际业务中月需求波动大时建议用 6 期以上。注意如果序列存在明显趋势移动平均会系统性低估或高估此时应改用趋势修正模型。2.3 MAD 与 Tracking Signal 的计算陷阱Q30、Q31 共用一组数据预测 200 件/月实际 195、210、205、190、220、225。MAD 是 12.5tracking signal 是 6。这里有两个常见错误一是 MAD 用绝对误差和直接除以 6 但忘记取绝对值二是 tracking signal 的分子是累计预测误差不是当期误差。actual [195, 210, 205, 190, 220, 225] forecast 200 errors [a - forecast for a in actual] mad sum(abs(e) for e in errors) / len(errors) ts sum(errors) / mad # RSFE / MAD print(fMAD {mad}, Tracking Signal {ts:.2f})计算逻辑上RSFE累计预测误差是 6 期误差的代数累加MAD 是绝对误差均值。TS6 已经超过 ±4 的常见控制线说明预测存在系统性偏差。实际应用中TS 超出 ±4 就该检查预测模型是否需要重置如果持续为正表明预测偏低需要上调基准或引入趋势项。很多计划员只盯 MAD 大小忽略了 TS 方向的累积信号这是预测评审会议上最常见的盲区。3. 生产策略选择从 MTS 到 ATO 的适用条件3.1 四种策略的决策变量对比制造策略的选择取决于客户订单解耦点customer order decoupling point的位置。MTSmake-to-stock在成品层维持库存主生产计划MPS在成品层表述——Q5 考的正是这一点。ATOassemble-to-order适用于客户从标准选项中选择配置的场景半成品和模块化部件提前生产最终组装等客户订单到达后再执行。ETOengineer-to-order和 MTO 则把解耦点更往上游推客户参与度更高提前期更长。策略MPS 层级库存重点客户参与度典型行业MTS成品成品库存低日用消费品ATO模块/组件半成品库存中电脑/汽车配置MTO原材料/零部件原材料库存高工业设备ETO设计规格无/设计阶段极高定制化工程Q32 的场景——客户下单时选择标准选项——在汽车和服务器行业极其典型。最佳答案不是 MTO而是 ATO因为标准选项的组合可以在最后组装环节实现差异化同时不必为每一种组合都备成品库存。3.2 Flow 生产为何 WIP 最低Q2 问哪种制造方式 WIP 最低答案是 flow流程式生产。这里的逻辑在于flow 生产按产品导向布局组织设备工序间通过传送装置连续流转不存在批次等待和工序间搬运队列。从 Littles Law 看WIP 产出率 × 提前期flow 生产节拍固定提前期最短WIP 自然最低。# Littles Law 在批量和流程式生产中的对比 throughput 10 # 件/小时 lead_time_batch 4.0 # 小时批量生产 lead_time_flow 0.5 # 小时流动生产 wip_batch throughput * lead_time_batch wip_flow throughput * lead_time_flow print(f批量生产 WIP {wip_batch} 件) print(f流动生产 WIP {wip_flow} 件)批量生产之所以 WIP 高是因为工序间存在等待批量的时间——前道工序完成整批后才转移后道工序必须攒够批量才开工。实操中把批量缩小并按节拍组织生产线实质是在压缩提前期从而线性降低 WIP。注意flow 生产对产品标准化要求高如果产品组合频繁变化强行流水线化反而会因为换型损失而增加 WIP。3.3 平准化生产与安灯系统的配套使用Q3 的 andon安灯是生产线可视化管理工具Q4 的 heijunka 是平准化生产哲学。这两题放在一起不是巧合heijunka 要求按周期内的产品组合平均分配生产量而 andon 确保任何异常能够即时暴露否则平准化计划会被设备故障或质量异常彻底打乱。典型 heijunka 盒排产逻辑每小时产量目标 09:00 产品A × 8产品B × 4产品C × 2 10:00 产品A × 8产品B × 4产品C × 2 11:00 产品A × 8产品B × 4产品C × 2这种排产方式与大批量生产方式相比表面上看换型次数增加了但换来的是需求波动对上游的冲击被削平。实施时需要注意heijunka 的前提是换型时间足够短SMED 改善否则产量分配的时间颗粒度无法细化。安灯系统则需要在每个工位设置拉绳或按钮异常时停线呼叫支持人员生产线主管必须在规定节拍内响应。两者结合才能实现流动生产下的稳定性。4. 订单资格与订单赢家竞争维度的优先级排序4.1 资格要素是入场券赢家要素是订单决定因素Q7、Q12、Q14 三题围绕 order qualifier 和 order winner 展开。资格要素决定你能否进入供应商候选名单比如 ISO 认证、最低产能、合规资质赢家要素决定客户最终把订单给谁比如价格、交期、技术领先。这个概念常被误解成“两类都重要”实际上它们的优先级有严格时序——先满足资格再谈赢家。def bid_evaluation(qualifiers, winners, customer_weights): if not all(qualifiers.values()): return 淘汰未满足资格要素 score sum(customer_weights[k] * v for k, v in winners.items()) return f进入商务谈判竞争力得分 {score:.2f}实际投标场景中我见过不少制造企业把大量资源投入赢家要素如降价却忽略了资格要素如环保合规、人权审计未达标直接被挡在门外。供应链策略的着力点应是识别行业内的资格要素门槛确保稳定达标然后把差异化资源集中在 1~2 个赢家要素上。不要试图在所有维度都做赢家那样成本结构无法支撑。4.2 增值贡献与客户感知价值Q11 把 value-added 定义为“操作对产品最终效用的贡献”。这个定义的关键在于“客户感知”四个字——你认为有价值的活动如果客户不买单就不构成增值。在供应链流程分析中通常把活动分为增值、必要非增值、纯粹浪费三类用于识别改善空间。活动类型示例处理策略增值加工、装配、喷涂持续优化必要非增值合规检验、安全确认压缩时间纯粹浪费搬运、等待、返工消除做 VSM价值流图分析时我习惯先计算增值时间比率增值时间÷总提前期通常传统工厂只有 5%~15%。提升这一比率的路径不是加快加工速度而是压缩等待和搬运时间——这与 flow production 降低 WIP 的逻辑完全互通。任何不提客户感知价值的“增值改善”都值得打一个问号。5. 短缺风险与安全库存:联动调节而非孤立加量5.1 从安全库存公式看需求波动的作用方向Q13 问需求不确定时最合适的做法答案是重算安全库存;Q28 问哪种情况需要最大安全库存答案是高波动加长补货提前期。这两个知识点其实是一个公式的两种问法安全库存和需求标准差、提前期长度都为正相关不是简单的线性叠加。import math def safety_stock(z, std_demand, lead_time): # z: 服务水平对应的标准差倍数 # std_demand: 需求标准差单位周期 # lead_time: 补货提前期周期数 return z * std_demand * math.sqrt(lead_time) ss_normal safety_stock(1.65, 50, 2) # 低波动短提前期 ss_risk safety_stock(1.65, 120, 6) # 高波动长提前期 print(f普通场景安全库存 {ss_normal:.0f} 件) print(f高风险场景安全库存 {ss_risk:.0f} 件)需求波动增加 2.4 倍、提前期延长 3 倍安全库存放大约 5.9 倍——这就是为什么供应链经理优先压缩提前期而不是简单加库存。日常操作中重算安全库存的正确时机是需求模式发生变化或供应商提前期显著波动时不是每月固定重算一遍。信号触发比日历触发更有效。5.2 ATP 与 MPS 的联动关系Q29 考的是 available-to-promiseATP的定义当前库存与计划产出中尚未被客户承诺占用的部分。ATP 的用途是给销售承诺交付日期避免超卖。计算逻辑是在一个 MPS 时间段内MPS 排产量加上期初可用量减去已确认客户订单得出本时段 ATP。ATP 当前 MPS 排产量 上一时段期末可用量 - 本时段已确认客户订单实际实践里ATP 计算最容易出错的地方在于未考虑安全库存占用。安全库存本质上是“不可承诺量”如果在 ATP 计算时不扣除销售会把最后一台机器也承诺出去导致安全库存名存实亡。因此我一般会把 ATP 公式调整为可用承诺量 当前排产 期初可用 - 已确认订单 - 安全库存目标量。5.3 牛鞭效应的量化判断与缓解手段Q34 的 bullwhip effect 是供应链经典现象下游微小需求变化经过多级传递后被逐级放大。用方差比衡量即订单波动率除以需求波动率大于 1 即存在放大效应。常见的缓解手段包括信息共享、缩短提前期、减少价格促销、以及推行 VMI供应商管理库存。这里真正值得关注的是预测误差本身就是牛鞭效应的驱动器。当每个环节都加一份安全库存且预测模型对小的需求扰动做出过度调整上游的订单波动就会被逐步放大。所以前文提到的 tracking signal 监控不仅用于预测精度管理也是牛鞭效应的早期预警。如果 TS 连续多期正向偏移说明下游在系统性加量供应链协调会议需要优先处理而不是让各个节点自行加库存应对。本文还有配套的精品资源点击获取